由于受到水面的高反光性和波纹等边缘特征的影响,传统的水面目标识别算法不能很好地识别出目标。为此,提出基于深度学习的水面目标识别算法。首先采集大量的目标样本并对其进行标注,然后根据YOLOv3(You Only Look Once v3)算法的原理对算法的参数和网络结构进行优化,随后采用深度卷积神经网络的方法对目标样本进行训练。采用对目标样本进行数据增强的方式以适应不同环境进而提升算法的鲁棒性,采用相位相关性水岸线识别算法来提高识别速度。最后使用所提算法的网络结构训练所得的权重文件建立水面目标识别系统,该系统可以达到较高的识别率。实验结果验证所提算法的有效性和鲁棒性,对水面目标识别的后续研究有一定的参考价值。

项目描述请参见：https://handsome-man.blog.csdn.net/article/details/115681855

5.Halcon算子函数-分类器龙熙视觉.docx

基于opencv的车道线检测，可以使用vscode打开，然后cmake编译。把build里面的文件全部删去，进入build文件夹。然后cmake.. 接着make

固高运动控制器编程手册基本功能.pdf

常规的特征保持点云精简方法需计算全部点云的微分信息，但直接计算高密度或含噪点云的微分信息存在一定偏差，导致点云精简效果不佳。提出一种基于栅格动态划分的点云精简方法。首先对模型进行空间栅格初划分，利用随机采样一致性算法剔除栅格内的干扰点，然后采用最小二乘法对剩余点进行平面拟合并计算平整度值，根据平整度值判别该栅格是否细分，将平坦区域压入大间距栅格内，特征丰富区域划分至小栅格中。针对小栅格内的点引入高斯函数降低远距离点对特征识别贡献的权重，综合曲面变化度和邻域法向量夹角信息共同识别特征点并保留，大栅格内的点根据栅格间距大小采用不同的采样率采样。与随机采样法、栅格法、曲率精简法对比实验结果表明，该方法能较好地保持模型细微特征且避免孔洞的出现，精简后模型的最大偏差为1.502 mm，远小于其他三种方法；随着噪声强度的增加，本文方法的精简误差相对较小且变化平缓，在35 dB噪声下，平均偏差仅为随机采样法和栅格法的40%，曲率精简法的50%。

移动目标识别与跟踪，在视频监控、人机交互、智能交通、军事应用等领域具有重大应用价值。本文针对当前目标识别与跟踪领域普遍存在的处理速度较慢、实时性不足等问题，提出了一种基于Apriltags识别的改进算法，对移动目标进行局部搜索，并结合Kalman滤波器实时估计目标下一时刻在图像中的位置，大幅提升了算法处理速度和跟踪性能。本算法在大疆M100四旋翼无人机平台上，搭载Manifold机载计算机完成了实验测试。实验证明，算法鲁棒性强、稳定性好，成功实现了无人机对快速移动目标的识别与稳定跟踪。

关于模式识别源代码的程序，接着上面的，请继续下载！

深圳汇川技术中型PLC编程软件平台讲解，基于Codesys内核，二次开发定制产品，汇川中型PLC以上产品都是在这个编程环境下开发的，AM400、AM600、AP700、AC800、AR900等，希望对大家有用。

现阶段火灾频发，需要自动进行火灾的检测与识别，虽然存在温度、烟雾传感器等火灾检测手段，但是检测实时性得不到保证.为了解决这一问题，提出了基于改进YOLOv3的火灾检测与识别的方法.首先构建一个多场景大规模火灾目标检测数据库，对火焰和烟雾区域进行类别和位置的标注，并针对YOLOv3小目标识别性能不足的问题进行了改进.结合深度网络的特征提取能力，将火灾检测与识别形式化为多分类识别和坐标回归问题，得到了不同场景下火焰和烟雾两种特征的检测识别模型.实验表明，本文提出的改进YOLOv3算法对不同拍摄角度、不同光照条件下的火焰和烟雾检测都能得到理想的效果，同时在检测速度上也满足了实时检测的需求.